(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210997287.4 (22)申请日 2022.08.19 (71)申请人 湖南工商大 学 地址 410205 湖南省长 沙市岳麓 大道569号 (72)发明人 雷荣华　 (74)专利代理 机构 长沙轩荣专利代理有限公司 43235 专利代理师 董崇东 (51)Int.Cl. B25J 9/16(2006.01) (54)发明名称 基于分散神经网络的柔性基、 柔性臂奇异摄 动控制方法 (57)摘要 本发明提供了一种基于分散神经网络的柔 性基、 柔性臂奇异摄动控制方法， 包括如下步骤： 建立系统动力学模型； 建立基于奇异 摄动的系统 动力学模型， 包括慢变子系统动力学模型和快变 子系统动力学模 型， 实现对柔性空间机器人系统 的降阶处理； 设置双重时间尺度控制器， 包括快 变子系统控制器和慢变子系统控制器； 判断系统 为快变子系统或慢变子系统， 执行驱动控制。 本 发明采用了奇异 摄动技术， 柔性空间机器人系统 被降阶为不同时间尺度下的两个独立子系统， 从 而简化了系统模 型结构、 降低了控制设计的难度 与复杂度， 提升 了通用性、 跟踪 进度和稳定程度。 权利要求书3页 说明书14页 附图3页 CN 115319746 A 2022.11.11 CN 115319746 A 1.一种基于分散神经网络的柔性基、 柔性臂奇异摄动控制方法， 其特征在于， 包括如下 步骤： S1， 建立柔性基、 柔性臂空间机器人系统动力学模型； S2， 建立基于奇异摄动的柔性基、 柔性臂空间机器人系统动力学模型， 包括慢变子系统 动力学模型和快变子系统动力学模型， 先忽略快变时标变量以降低系统维度， 再引入边界 层修正项提高模型的逼近程度， 实现对柔 性基、 柔性臂空间机器人系统的降阶处 理； S3， 设置双重时间尺度控制器， 包括快变子系统控制器和慢变子系统控制器； S4， 判断柔性基、 柔性臂空间机器人系 统是否为快变子系统； 若为是， 采用快变子系统 控制器执行控制； 若为否， 则判定其为慢变子系统， 采用慢变子系统控制器执行控制； 将两 个子系统控制器的输出输入至后续驱动器， 数据存储后， 接着判断是否到达运行时间， 若为 否， 则继续执 行循环判断； 若为是， 则输出 结果为结束。 2.根据权利要求1所述的基于分散神经网络的柔性基、 柔性臂奇异摄动控制方法， 其特 征在于， S1中柔 性基、 柔性臂空间机器人系统的动力学 方程为： 其中， 为系统的对称、 正定惯性矩阵； 为系统的 科氏力与离心力向量； qs＝[θ0， θ1， θ2]T为系统的刚性广义坐标； qf＝[xb， δ1， δ2]T为系统的柔 性广义坐标； Kf＝diag(kb， k1， k2)为柔性系统的刚度矩阵， τ＝ [u0， u1， u2]T为系统的控制输入， u0为载体姿态等效调节力矩， ui(i＝1， 2)为关节驱动器ai的 控制力矩。 3.根据权利要求2所述的基于分散神经网络的柔性基、 柔性臂奇异摄动控制方法， 其特 征在于， S2中基于奇异摄动对系统动力学模型进 行降阶处理， 得到表征载体姿态镇定、 机械 臂关节轨 迹跟踪的慢变子系统和表征基座弹性变形、 机 械臂柔性振动的快变子系统。 4.根据权利要求3所述的基于分散神经网络的柔性基、 柔性臂奇异摄动控制方法， 其特 征在于， S2具体包括如下子步骤： S21， 建立慢变子系统动力学模型； 定义抗弯刚度矩阵Kf中较小元素为kmin、 奇异摄动因子为ε＝(1/kmin)1/2； 引入新的状态 变量ξf、 Kε( ε2ξf＝qf， Kε＝ ε2Kf)， 得到慢变子系统的动力学 方程为： 其中， 为当 ε＝0时与 {··}相对应的量； S22， 建立快变子系统动力学模型； 引入快变时标tf( εtf＝t‑t0)与边界层修正项 得到快变子系 统的动力学 方程为： 权　利　要　求　书 1/3 页 2 CN 115319746 A 2其中， τf为快变子系统的控制输入； S23， 组合慢变子系统动力学模型与快变子系统动力学模型得到柔性基、 柔性臂空间机 器人系统的奇异摄动模型。 5.根据权利要求4所述的基于分散神经网络的柔性基、 柔性臂奇异摄动控制方法， 其特 征在于， S3具体包括如下子步骤： S31， 设置慢变子系统控制器； 将慢变子系统进一 步分解为如下三个耦合子系统： 其中， qsi、 与 依次为向量qs、 与 的第i(i＝1， 2， 3)个分量； 与 依次为矩阵 与 的第ij个分量； 令xi＝[xi1， xi2]T＝[qsi， υsi]T， 则式(15)改写为 其中， 定义 与gi(qri)的理想神经网络逼近模型依次为 与gi(qri， Wig)， 慢 变子系统的分散神经网络 轨迹跟踪控制器设置为： 其中， 和 依次为 和 的估计值， 与 为估计误差； θ为正常数； 与 依次为fi(qi， υi)、 gi(qi)及交联项 的神经网络估计值； S32， 设置快变子系统控制器； 基于状态变量负反馈进行控制， 设置P D反馈控制器为： τf＝‑Kfζ   (74)权　利　要　求　书 2/3 页 3 CN 115319746 A 3